Ce dashboard vous est proposé par Laurine ALLARD, Mélanie DEMEURE et Loïc STRAFELLA de la spécialisation Sciences des données d’Agrocampus Ouest, promotion 2021.
Vous pourrez trouver les données d’origine sur data.gouv.fr.
---
title: "La Recherche publique en France"
output:
flexdashboard::flex_dashboard:
orientation: columns
vertical_layout: fill
social: menu
source_code: embed
---
```{r setup, include=FALSE}
library(flexdashboard)
library(tidyverse)
library(ggtext)
library(ggpubr)
library(sf)
library(plotly)
library(showtext)
library(ggthemes)
library(htmltools)
#IMPORTATION DU JEU DE DONNEES
rdFR <- read.csv("./rd-moyens-administrations.csv", sep = ";")
#AS FACTOR
for (i in 1:12){
rdFR[,i] <- as.factor(rdFR[,i])
}
#Fond de carte France par region 2014
reg<-st_read(dsn="regions-20140306-100m-shp/regions-20140306-100m.shp")
reg$nom
#On enl?ve les DOM TOM
guadeloupe<-reg[11,]
guyane<-reg[12,]
lareunion<-reg[16,]
martinique<-reg[19,]
mayotte<-reg[20,]
reg<-reg[-c(11:12,16,19:20),]
```
Dépenses
=======================================================================
Column {data-width=500}
-----------------------------------------------------------------------
### Dépenses totales par région en R&D en 2001
```{r}
```
### Dépenses totales par région en R&D en 2001
```{r}
```
Column {data-width=500}
-----------------------------------------------------------------------
### Chart B
```{r}
```
Effectifs
=======================================================================
Column {data-width=650}
-----------------------------------------------------------------------
### Chart A
```{r}
```
Column {data-width=350}
-----------------------------------------------------------------------
### Chart B
```{r}
```
### Chart C
```{r}
```
La parité dans la recherche {data-orientation=rows}
=======================================================================
Column {data-width=500}
-----------------------------------------------------------------------
### années sur la période
```{r}
par3 <- rdFR %>%
filter(code_indicateur=="pers") %>%
filter(sexe!="Non ventile") %>%
group_by(annee,sexe) %>%
summarise(personnel=sum(valeur))%>%
group_by(annee) %>%
mutate(percentage=personnel/sum(personnel)*100) %>%
pivot_wider(names_from = sexe, values_from = c(personnel,percentage))
valueBox(13, icon = "fa-hourglass-half",
color="grey87")
```
### Evolution de l'effectif en recherche
```{r}
effectif_total2001 <- sum(par3[1,2],par3[1,3])
effectif_fem2001 <- sum(par3[1,2])
effectif_total2013 <- sum(par3[13,2],par3[13,3])
effectif_fem2013 <- sum(par3[13,2])
evoleff <- round(((effectif_total2013-effectif_total2001)/effectif_total2001*100),1)
evoleff_fem <- round(((effectif_fem2013-effectif_fem2001)/effectif_fem2001*100),1)
valueBox(paste("+",evoleff,"%"),
icon = "fa-chart-line",
color="grey87")
```
### Evolution des femmes employées
```{r}
valueBox(paste("+",evoleff_fem,"%"), icon = "fa-female",
color="pink")
```
Column {data-width=500}
-----------------------------------------------------------------------
### Evolution des effectifs par sexe au niveau national
```{r}
par3 %>%
plot_ly(x=~annee,y=~personnel_Femmes,
type="scatter",mode="line",name="Effectifs féminins",line=list(color='#F436F7',dash='dashed')) %>%
add_trace(x = ~annee, y = ~personnel_Hommes,name = 'Effectifs masculins', mode = 'line',line=list(color='#371DCC',dash='dashed')) %>%
add_trace(x = ~annee, y = ~percentage_Femmes, name = "Pourcentage de femmes", yaxis = "y2",mode="line",line=list(color='#F291F2',dash='dashed')) %>%
add_trace(x = ~annee, y = ~percentage_Hommes, name = "Pourcentage d'hommes", yaxis = "y2",mode="line",line=list(color="#8376CF",dash='dashed')) %>%
layout(
margin = list(l = 50, r = 50, b = 50, t = 50, pad = 4),
legend = list(
title=list(text='Légende'),
orientation = 'h',
y = -0.3),
xaxis=list(
title=list(text='Années')
),
yaxis=list(
title=list(text='Effectifs')
),
yaxis2 = list(
overlaying = "y",
side = "right",
title = list(text='Pourcentage',
y=-100),
range=c(0,100)),
xaxis = list(title="x"))
```
### Différentiel du pourcentage de femmes dans la recherche entre 2001 et 2013, au niveau régional
```{r}
#### ANNEE 1 ################
par1 <- rdFR %>%
filter(code_indicateur=="pers") %>%
filter(sexe!="Non ventile") %>%
filter(annee==2001) %>%
group_by(code_region,region,annee,sexe) %>%
dplyr::summarise(personnel=sum(valeur)) %>%
group_by(region) %>%
mutate(percent_2001=personnel/sum(personnel)*100) %>%
filter(sexe=="Femmes")
par2 <- rdFR %>%
filter(code_indicateur=="pers") %>%
filter(sexe!="Non ventile") %>%
filter(annee==2013) %>%
group_by(code_region,region,annee,sexe) %>%
dplyr::summarise(personnel=sum(valeur)) %>%
group_by(region) %>%
mutate(percent_2013=personnel/sum(personnel)*100) %>%
filter(sexe=="Femmes")
#On merge les donn?es et le fond de carte
par12<-merge(x=par1,y=par2,by.x="code_region",by.y="code_region",all.x=T)
par12 <- par12 %>%
mutate(diff_percent=round((percent_2013-percent_2001),2))
#On merge les donnees et le fond de carte
par_reg<-merge(x=reg,y=par12,by.x="code_insee",by.y="code_region",all.x=T)
gg_parreg <- par_reg %>%
st_transform( crs = 32631 )%>%
ggplot()+
geom_sf(aes(fill = as.numeric(diff_percent))) +
scale_fill_gradient2(midpoint = 0, low = "#1D00AD", mid = "white",
high = "#F436F7")+
theme(legend.position="bottom")+
labs(fill = 'Différence de pourcentage')+
theme(
axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank())+
theme(plot.title = element_text(hjust = 0.5,size=10))
gg_parreg
```
A propos
=======================================================================
Ce dashboard vous est proposé par Laurine ALLARD, Mélanie DEMEURE et Loïc STRAFELLA de la spécialisation Sciences des données d'[Agrocampus Ouest](https://www.agrocampus-ouest.fr/), promotion 2021.
Vous pourrez trouver les données d'origine sur [data.gouv.fr](https://www.data.gouv.fr/fr/datasets/les-moyens-consacres-a-la-r-d-les-administrations-par-type-d-organisme-mesr/).